Culling the herd of moments with penalized empirical likelihood
用惩罚经验似然筛选矩条件AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：虽提及结构计量估计，摘要主要给出通用矩条件理论，未明确微观结构模型。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用惩罚经验似然筛选矩条件
- 研究问题
- 高维矩条件模型中，如何利用大量有效矩提高估计效率，同时识别会破坏一致性的无效矩，并提供可靠的统计推断？
- 方法与思路
- 作者提出惩罚经验似然估计以筛选无效矩，再构造投影惩罚经验似然程序，消除渐近偏差并改善有限样本正态近似。
- 材料陈述的贡献
- 摘要称估计量具有无效矩一致检测的预言性质及渐近正态性，投影程序进一步改进推断，模拟展示了较好的数值表现。
- 阅读关注点
- 核对有效与无效矩的界定、惩罚及调参方式，检查矩数量增长条件，以及预言性质、偏差消除和推断结论的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给稀疏性与信号条件、增长速率或模拟数值，无法判断一般性能。
原文摘要
Models defined by moment conditions are at the center of structural econometric estimation, but economic theory is mostly agnostic about moment selection. While a large pool of valid moments can potentially improve estimation efficiency, in the meantime a few invalid ones may undermine consistency. This paper investigates the empirical likelihood estimation of these moment-defined models in high-dimensional settings. We propose a penalized empirical likelihood (PEL) estimation and establish its oracle property with consistent detection of invalid moments. The PEL estimator is asymptotically normally distributed, and a projected PEL procedure further eliminates its asymptotic bias and provides more accurate normal approximation to the finite sample behavior. Simulation exercises demonstrate excellent numerical performance of these methods in estimation and inference.